Extracción de información

La extracción de información es la  tarea de extraer (construir) automáticamente datos estructurados a partir de documentos no estructurados o semiestructurados legibles por máquina.

La extracción de información es un tipo de recuperación de información asociada con el procesamiento de texto en lenguaje natural . Un ejemplo de extracción de información puede ser la búsqueda de visitas comerciales - formalmente se escribe así: НанеслиВизит(Компания-Кто, Компания-Кому, ДатаВизита) - de feeds de noticias , tales como: "Ayer, 1 de abril de 2007, representantes de la corporación Pepelac Internacional visitaron la oficina de Gravitsap Producciones". El objetivo principal de tal transformación es la capacidad de analizar información inicialmente "caótica" utilizando métodos estándar de procesamiento de datos . [1] Un objetivo más limitado puede ser, por ejemplo, la tarea de identificar patrones lógicos en los eventos descritos en el texto. [2]

En las tecnologías de la información modernas , el papel de un procedimiento como la extracción de información está aumentando cada vez más, debido al rápido aumento en la cantidad de información no estructurada (sin metadatos ), en particular, en Internet . Esta información se puede estructurar más convirtiéndola a un formato relacional o agregando marcado XML . [3] Al monitorear fuentes de noticias con agentes inteligentes , necesitará métodos para extraer información y transformarla en una forma que sea más conveniente para trabajar más adelante.

Una tarea típica de extracción de información es escanear un conjunto de documentos en lenguaje natural y llenar una base de datos con información útil extraída. Los enfoques modernos de recuperación de información utilizan métodos de procesamiento de lenguaje natural que abordan solo un conjunto muy limitado de temas (preguntas, problemas), a menudo solo un tema. Por ejemplo, la Conferencia de comprensión de mensajes (MUC ) es una conferencia competitiva y en el pasado se centró en:

• MUC-1 (1987), MUC-2 (1989): Operaciones navales.
• MUC-3 (1991), MUC-4 (1992): Terrorismo en los países latinoamericanos.
• MUC-5 (1993): Operaciones de empresas de microelectrónica.
• MUC-6 (1995): Artículos periodísticos sobre cambios en los procesos de gestión.
• MUC-7 (1998): Informes de lanzamiento de satélites.

Los textos en lenguaje natural pueden requerir algún tipo de transformación preliminar a un lenguaje (por ejemplo, RDF  - Marco de descripción de recursos) comprensible para una computadora.

Subtareas típicas de extracción de información:

• Reconocimiento de elementos nominados ( entidades ), por ejemplo: nombres de personas, nombres de organizaciones, nombres geográficos, eventos, designaciones temporales y monetarias, etc.
• Resolución de anáforas y correferencias : buscando conexiones referentes a un mismo objeto. Un caso típico de tales referencias es la anáfora pronominal.
• Identificación de terminología: búsqueda de palabras clave y frases ( colocations ) para un texto determinado.
• Auto- abstracting : selección de información semántica, emotiva, valorativa, etc. del texto. Puede ser generativa y declarativa.

Notas

1. ↑ El procesamiento de datos puede entenderse, entre otras cosas , y simplemente su acumulación en una base de datos .
2. ↑ La minería de datos se ocupa de esta tarea .
3. ↑ El concepto del desarrollo de Internet, donde se adjunta un archivo con metadatos en formato XML a cada documento , se denomina web semántica y se considera muy prometedor; pero vale la pena señalar: esto no es lo mismo que transformar el documento en sí.

Véase también

• Información
• Relevancia
• Base de conocimientos
• Ontología (ciencias de la computación)
• Gestión de datos
• Ligüística computacional
• Representación del conocimiento

Enlaces

• Procesamiento automático de lenguaje natural: Apache UIMA
• Un sistema para extraer y buscar información estructurada de grandes matrices de texto de medios masivos. Características arquitectónicas y lingüísticas.
• Extraer conocimiento de textos en lenguaje natural para resolver problemas en modelos de red.
• Protocolo Z39.50: acceso abierto a la información bibliográfica.  (enlace no disponible desde el 13-05-2013 [3457 días] - historial )
• Plataforma de minería de texto extensible.
• Métodos individuales activos para extraer conocimiento y datos.
• Resumen de la disertación de Simakov K. V. sobre el tema "Modelos y métodos para extraer conocimiento de textos en lenguaje natural".
• Un modelo para extraer hechos de textos en lenguaje natural y un método para su entrenamiento.

• https://web.archive.org/web/20110718185816/http://extraccióninformacion.iespana.es/ Extracción informacion (sitio en español)
• http://www.itl.nist.gov/iaui/894.02/related_projects/muc/MUC _
• http://projects.ldc.upenn.edu/ace/ Archivado el 25 de septiembre de 2013 en Wayback Machine ACE (LDC)
• https://web.archive.org/web/20060308054306/http://www.itl.nist.gov/iad/894.01/tests/ace/ ACE (NIST)
• http://lcl2.di.uniroma1.it  (enlace no disponible) - TermExtractor
• TermFinder , extractor de terminología en línea para EN, FR e IT - aplicación web
• Video tutoriales, charlas, conferencias Videolectures.net
• Automatice la extracción de metadatos para búsqueda corporativa y mashups (Apache UIMA)